Cestercian/Claude-Modell-Auswahl

Was macht Claude-Modell-Auswahl?

Wähle ein Startmodell und eine Anstrengungsstufe, dann passe sie mit Beweisen an.

Jede Empfehlung hier stammt aus den veröffentlichten Leitlinien von Anthropic – siehe Quellen. Wenn du dem Nutzer einen Rat gibst, verlinke die Quelle. Modellreihen und Preise ändern sich: Wenn eine Tatsache relevant ist (Preis, Modell-ID, Standardaufwand), überprüfe vor der Verwendung die aktuellen Dokumente.

Standard

Starte mit Opus 5.5 bei mittlerer Anstrengung. Dies ist die Standardeinstellung von Claude Code und kostet halb so viel wie Fable 5.2 pro Token. Weiche nur mit einem Grund davon ab.

• Runter zu Sonnet 5.5 – klar abgegrenzte Alltagsarbeit (Bug-Fix, Feature gegen eine Spezifikation). Eine klare Spezifikation allein reicht nicht: Migrationen und Leistungsarbeit können trotzdem Opus oder Fable erfordern.
• Weiter runter zu Haiku 5.5 – einfache, mengenintensive Arbeit: Klassifikation, Routing, Tagging, Extraktion; günstige Subagenten.
• Hoch zu Fable 5.2 – schwierigste technische Arbeit (Programmierung, Finanzen, Wissenschaft), große Refaktorisierungen/Migrationen, Architektur, Leitung vieler Subagenten, lange unbeaufsichtigte Läufe oder wenn Opus bei hoher Anstrengung noch nicht ausreicht.

Aufgabe → Ausgangspunkt

Aufgabe	Modell	Anstrengung
Alltägliches Engineering, Debugging, Multi-PR-Features	Opus 5.5	mittel → hoch
Klassifikation, Routing, Tagging, Massenextraktion	Haiku 5.5	mittel
Subagenten, die suchen, Logs lesen, zusammenfassen	Haiku oder Sonnet 5.5	Modellstandard
Chat / interaktive Sitzungen	Sonnet 5.5 (Haiku für einfache Chats bei Masse)	niedrig oder mittel
Klar abgegrenzte Programmierung (Bug-Fix, spezifikationsgetrieben)	Sonnet 5.5	mittel → hoch
Alltägliche Dokumente, Folien, Tabellenkalkulationen	Sonnet 5.5 (Opus für komplexe Finanzmodelle oder riesige Quellen)	hoch (mittel in Claude Code)
Wiederholte Agentenaufgaben (Überprüfung, Untersuchung, Entwurf)	Sonnet 5.5	mittel
Computernutzung, visionslastige Schleifen	Opus 5.5	mittel
Große Refaktorisierungen, Architektur, Orchestrierung von Subagenten	Fable 5.2	mittel → hoch
Tiefgehende Recherche, wissenschaftliche/quantitative Analyse	Fable 5.2	mittel → hoch
Unsicher	Opus 5.5	mittel

Modellfakten

	Haiku 5.5	Sonnet 5.5	Opus 5.5	Fable 5.2
Eingabe / Ausgabe pro MTok	0,10 $ / 0,50 $ (≤100K Prompt); 0,50 $ / 2,50 $ (>100K)	2 $ / 10 $	4 $ / 20 $	8 $ / 40 $
Cache-Lesen pro MTok	0,01 $ (≤100K) / 0,05 $	0,10 $	0,20 $	0,20 $
Latenz	am schnellsten	schnell	moderat	moderat
Kontext / max. Ausgabe	1M / 128K	1M / 128K	1M / 128K	1M / 128K
Denken	adaptiv, kann ausgeschaltet werden (≤ hohe Anstrengung)	adaptiv; Option between_tools	immer an	immer an
API-Standard-Anstrengung	mittel	hoch (mittel in CC)	mittel	hoch (mittel in CC)
Schnellmodus	nein	nein	ja	ja

Optimierungsreihenfolge, wenn Ergebnisse nicht ausreichen

1. Gib dem Modell eine Möglichkeit, seine eigene Arbeit zu überprüfen (Test, Build, Skript, das den Endpunkt aufruft). Meist günstiger als mehr Anstrengung.
2. Erhöhe die Anstrengung um eine Stufe.
3. Gehe ein Modell nach oben, beginne mit einer niedrigeren Anstrengung als bei dem kleineren Modell.

Hinweise:

• Anstrengung ≈ Denkzeit, Tool-Aufrufe, Selbstüberprüfung. Sie erhöht die Latenz. Sie kann kein Wissen hinzufügen, das dem Modell fehlt – dafür wird ein größeres Modell benötigt.
• Jenseits von hoch kann eine weitere Anstrengungsstufe so viel kosten wie das nächste Modell. Teste stattdessen das größere Modell bei niedrigerer Anstrengung.
• Wenn Ergebnisse automatisch überprüfbar sind: führe alles bei niedriger Anstrengung aus, wiederhole nur Fehlschläge bei hoher Anstrengung (schlägt in Anthropics Tests alle-hoch sowohl bei Kosten als auch bei Bestehensquote).
• Brauchst du Geschwindigkeit ohne Einbußen bei der Leistungsfähigkeit: Schnellmodus bei Opus 5.5 / Fable 5.2 (Premiumpreis).

Kostenüberlegungen

• Vergleiche Kosten pro abgeschlossener Aufgabe, nicht den Preis pro Token. Ein teureres Modell bei niedrigerer Anstrengung kann pro Aufgabe günstiger sein (z. B. Fable 5.2 bei hoher Anstrengung ≈ Opus 5.5 bei maximaler Anstrengung bei einem schwierigen Benchmark für etwa die Hälfte der Kosten).
• Berechne die schwierigsten Aufgaben in deinem Set; sie bestimmen die Ausgaben.
• Großer Kontext wird bei jedem Durchgang erneut gesendet, wird aber meist als Cache-Lesen abgerechnet. Fable und Opus teilen sich den Cache-Lese-Satz von 0,20 $, daher ist bei cache-lastigen Läufen ihre Lücke der ungecachte Input + Output.
• Halte den Kontext des teuren Modells schlank; verlagere ausführliches Lesen auf günstige Subagenten.
• Die Stufe für lange Prompts von Haiku (>100K) kostet das 5-fache des Kurz-Prompt-Satzes. Vergleiche bei langen Prompts Haiku vs. Sonnet pro abgeschlossener Aufgabe.

Modelle mischen

• Wechsle an natürlichen Brüchen. Der Prompt-Cache ist modellspezifisch, daher werden beim ersten Durchgang mit einem neuen Modell die Cache-Schreibvorgänge erneut bezahlt. Führe in Claude Code /compact aus oder beginne neu mit einem kurzen Plan; bei der API beginne mit einer Zusammenfassung.
• Denkblöcke werden nicht nach unten weitergegeben. Fable 5.2 liest Opus/Sonnet/Haiku 5.5-Blöcke; Opus 5.5 liest Sonnet/Haiku; Sonnet liest Haiku. Ein Wechsel nach unten (oder weg von Fable 5.2) verwirft stillschweigend früheres Denken.
• Subagenten mit kleinen Modellen für Arbeiten, bei denen Fehler günstig zu erkennen sind (Dateien finden, Tests ausführen, Logs lesen). Behalte Code-Änderungen und Urteilsvermögen beim Hauptmodell. Setze in Claude Code model: haiku / model: sonnet in der Agentendatei oder CLAUDE_CODE_SUBAGENT_MODEL für die Voreinstellung.
• Der integrierte Explore-Subagent verwendet jetzt das Sitzungsmodell. Um ihn günstig zu halten, definiere deinen eigenen Explore-Agenten mit model: haiku. ANTHROPIC_DEFAULT_HAIKU_MODEL legt den Alias fest. In der Anthropic-API → Haiku 5.5 (benötigt Claude Code ≥ v2.1.293); bei Bedrock/Vertex/Foundry ist es immer noch Haiku 4.5.
• opusplan plant mit Opus und bearbeitet mit Sonnet – das Gegenteil der obigen Empfehlung. Miss vor der Übernahme.
• Advisor-Tool (Beta): günstiger Ausführer befragt einen stärkeren Berater. Die Gewinne waren gering (≈ das, was eine Erhöhung der Anstrengung bringt). Miss zuerst die Konsultationsrate; überprüfe erlaubte Paarungen.
• Leiter + Arbeiter für Arbeiten, die größer als ein Kontextfenster sind (z. B. Opus-Leiter über parallele Sonnet-Arbeiter: ~⅓ günstiger, gleiche Punktzahl). Überspringe für einzelne abhängige Ketten oder Arbeiten, die in einen Kontext passen.

Beispiel für einen günstigen Subagenten (.claude/agents/log-reader.md):

---
name: log-reader
description: Liest Testausgaben und Logs und meldet jeden fehlgeschlagenen Fall. Nach einem Testlauf verwenden.
tools: Read, Grep, Glob, Bash
model: haiku
---

Melde für jeden Fehlschlag die Datei, den Testnamen und die erste Fehlerzeile. Bearbeite keine Dateien.

Migrations-/Kompatibilitäts-Checkliste

• Fable 5.2 bewahrt Denkergebnisse: Die API gibt 400 zurück, wenn sich vor einem Fable-Denkblock etwas geändert hat (System-Prompt, Tools, frühere Nachrichten), es sei denn, du entscheidest dich, es zu verwerfen. Halte den Verlauf append-only. Claude Code / Agent SDK / Managed Agents handhaben dies.
• Denken: Opus 5.5 und Fable 5.2 können Denken nicht deaktivieren (Fehler). Lies Inhaltsblöcke nach Typ – Antworten können mit einem Denkblock beginnen.
• Erzwungene Tool-Nutzung: tool_choice: any|tool → 400 bei Sonnet/Opus 5.5 und Fable 5.2. Verwende auto + strict: true Tool + Prompt-Anweisungen.
• Computernutzung: nur über computer_toolset_20260801 (Claude API, Google-verwalteter Claude auf Google Cloud).
• Haiku 4.5 → 5.5: ersetze budget_tokens durch Anstrengung; entferne nicht standardmäßige temperature/top_p/top_k; beende mit einem Nutzer-Durchgang (kein Assistant-Prefill).
• Sicherheits-Fallbacks: markierte Cyber-Anfragen können erneut auf Opus 4.8 ausgeführt werden, Biologie auf Opus 5 (Claude Code zeigt einen Hinweis).
• Multi-Modell-Systeme: Baue jede Anfrage für das strengste Modell, damit Schritte die Ebenen wechseln können, ohne Code-Änderungen. Wenn das Routing einfach ist (ein Modell pro Schritttyp), routen im Code, nicht mit einem Modell.

Vor der Festlegung messen

1. Nimm Stichproben von echten Aufgaben; schreibe für jede eine Erfolgskontrolle (bestandener Test, korrekte Zeilenanzahl …).
2. Führe jeden Kandidaten mit 2–3 Anstrengungsstufen aus, separate Sitzungen (kein gemeinsamer Cache). Notiere die Kosten aus dem usage jeder Antwort.
3. Zeichne Punktzahl gegen Kosten auf. Behalte eine Multi-Modell-Konfiguration nur bei, wenn sie jeden Einzelmodell-Punkt übertrifft.
4. Führe den Gewinner auf echtem Datenverkehr im Schattenmodus aus, bevor du umschaltest.

Schnellprüfung in Claude Code: Führe eine Aufgabe aus dem Rückstand mit zwei Modellen über /model aus, vergleiche /usage.

Wie man dem Nutzer antwortet

1. Nenne das Modell + die Anstrengung für ihre Aufgabe, mit einer einzeiligen Begründung aus der Tabelle.
2. Sage, was sie dazu bringen würde, nach oben oder unten zu wechseln.
3. Wenn sie über die API integrieren oder Modelle mischen, markiere die relevanten Kompatibilitätspunkte.
4. Wenn Kosten relevant sind, schlage die obige Messschleife vor, anstatt sich auf Listenpreise zu verlassen.

Quellen

Primärquelle:

• Addy Osmani, "Which Claude model should you build with? Fable, Opus, Sonnet, or Haiku", claude.dev Blog (Anthropic), Nov 9, 2026.

Von diesem Artikel referenzierte Anthropic-Dokumente:

• Choosing a model — Claude Platform docs
• Models overview — Modell-IDs, Preise, Kontextfenster
• Effort — Anstrengungsstufen und ihre Kompromisse
• Claude Code model configuration — Aliase, opusplan, ANTHROPIC_DEFAULT_HAIKU_MODEL
• Claude Code subagents — Pro-Agent model: und CLAUDE_CODE_SUBAGENT_MODEL